逐际动力张巍：人形机器人的本质是 AI 应用｜Agentic Era

绿洲是我们的早期投资人，也是重要的伙伴、少数的董事之一。

当津剑跟我说你来分享一下，坦白讲我内心非常忐忑。入行时间越久，会发现这个领域值得分享的越少。因为行业发展太快，投资人在各种会议中听到都大同小异，甚至我第一次听到某些名词，都是从投资人嘴里说出来的。我觉得大家都蛮厉害，有分享价值的东西还是很少。

所以今天就从我个人和公司成长的主观视角，来分享我对这个行业的一些看法，简化技术的探讨。

2022 年，我们公司成立于深圳。

我们团队，尤其我个人，早期很长时间都从事机器人运动控制理论相关的研究。 

2017 年之后，我专注在人形机器人相关的应用研究，早期偏理论，后期偏应用。在那个时候，做机器人的实验是非常难的。刚才高阳老师也谈到了，我们当时经费有限，只能跟别人合作。

当时和 Cassie 的合作大概要二十多万美金。2020 年有了 Digit，合作也需要二十多万美金。机器人如果坏了，在美国本地修一次要两个月，所以做一次实验是非常奢侈的。

反观那时候的迭代效率，现在应该是那时候的十倍。当时能让机器人走起来，都是非常自豪，也很难的一件事。

我们第一个网站是长这样的。

能满足我们的初心的，也就是这样一张图，我们叫 "Cross the Limit"，希望突破机器人运动和能力的边界，让它真正走进我们的生活。

然后我们有一个 Slogan 叫 "Redefine General Purpose Robot"。为什么叫 Redefine 呢？因为大部分来面试的人不相信，说人形是什么？为什么非得需要个人形？太费劲了。

我们就要解释，要 Redefine，重新定义人形机器人的商业价值和技术演进的路径，让他们相互耦合。

之后 2022 年底，我们跟当时 “反人形斗士” 王煜全，海银资本的创始合伙人辩论，我是正方，他是反方，他说没必要有两条腿，我说人形机器人就是通用未来。那场辩论所有的题目和回答，放到今天一个字儿不改，都成立。

现在还是有这个争论，只是正方稍微多了那么一点。

回想当时，我个人是坚定认为这事儿是有用的。但对技术演进的预估、技术趋势的预估还是保守了，很多发展，比我想象中快了非常多。

我当时的一个结论就是，不能用今天的技术去预判一个指数增长的赛道。因为在那个时候，只有波士顿动力少数几个人能让人形机器人走两步，还没有大模型，也没有 VLA，你是无法想象事情是可以这样发展的。现在，我再跟大家说，让一个人形机器人走起来这件事情，可能硕士生毕业一个月就能完成了。以前，是要世界最顶级的科学家，做好久才能够去搞定的，还不是特别稳定。

这三年发生的事情是非常多的。

我称这个叫 Exponential Growth（指数增长），就是局部空间看都是线性的、每天看是感受不到的，但你跳出来一看，这么大进步。比尔•盖茨前几天也说，他花了大概三、四十年的时间去研究语音识别，投了多少亿、多少人去研究这个事儿，大模型出来以后，可能半年就解决了。现在很多公司一年的工作，可能顶上波士顿动力过去十年的事儿了。所以大模型大家已经看到指数增长，OpenAI 使用量已经超过万亿 Tokens，谷歌月 Tokens 超过 1.3 千万亿，然后豆包日均已经超过 5000 亿了。

但我觉得人形机器人的本质，不是机器人，它其实是一个 AI 应用。就像 AI 大模型要赋能法律，它需要法律专业的 Know-how、专业知识，它要有专业的  Agent。人形机器人也是一个具体的应用，只不过它是我认为最重要的、也是最难的应用，现在稍微落后了一点，但人形机器人正处于爆发的前夜。

2024 年，大概生产 2000 台或者几千台；25 年大家预测，现在我觉得已经保守了，肯定超过 1 万台，大概增长了 5 到 10 倍左右。如果考虑到小人形的话，还不止这个数。之前高盛预测三、五年是几百万台，还属于线性预测，我们觉得它处于指数发展的前期，如果我们用当下的技术，很多事情是想不到的。

乐观的人可能是这样的，因为新的技术会出现，我们认为要花很多时间的东西，之后可能瞬间就变得很简单了。

机器人其实是智能的最佳载体、未来的超级终端。大家可能也都这么认为，只是不同意的是什么呢？就是到底什么时候能做到？他有什么价值？这事怎么能落地？有很多这种问题。

怎么能做出来有用的人形机器人，这是个好的问题。我做公司以后才发现，很多怎么做、How 的问题没搞清楚、做不好的原因，往往是不知道 Why，所以我还得说一说为什么要做人形机器人。

还有一个事儿咱不知道，就是说  How 做完了以后，然后呢？怎么商业化，怎么赚钱？

那为什么要人形机器人？咱们用第一性原理来问，“一定需要” 这个问题其实是错误的。我们要看一下，我们需要机器人能代替我们做什么。

它本质上要代替我们日常的一些劳动。

首先第一点，我们许多的任务是需要双臂的。你不能一个胳膊，我们每天的所有的活动，像我现在如果一个胳膊我就做不了这事儿。我要把所有的任务都聚集起来，可能 70% 以上的事儿都是需要两个胳膊才能完成的。所以需要双臂。

这个事儿定了，那把这双臂放哪儿？放在这台上，还是放在桌子上，还是放在哪儿？那本质上是需要移动的，一定要把勤劳的双手运到他要干活的地方去，所以需要移动。

那移动就俩选择，放在轮子上还是放在腿上？放在轮子上也行，放在腿上也行。大家对腿的诟病就是没必要，这么多地方反正都是平的，我们用轮子就可以了。再一个就是，什么场景非得要人形、非得要双腿，有些地方其实可以先不落地。

这些顾虑背后的本质，其实是我们有时候把一件事情的价值，和我们对它的实现耦合了。“没必要” 这三个字，并不是说它没有用，而是觉得太难了，没必要这么费劲，我觉得是隐含了这层意思。

如果我告诉你腿和轮子，在 AI 的基础下是一样简单的，那很多人可能就接受了。这件事情其实是个事实，到现在来看腿这件事儿是不难的，而胳膊抓东西这件事，像高阳老师和苏昊老师最擅长这些事情，还是蛮有挑战的。

所以不是什么场景一定要机器人，这本质上是用 “专机” 的思路来评价通用机器人的逻辑。“专机” 是什么呢？单一场景、单一任务、效率优先，它比较简单、成本低。通用机器人本质是多场景、多任务、解决长尾的需求。咱们每天在家干那些活儿，它不是特别需要反复、特别追求效率的事情，一个礼拜能洗几次衣服？它实际上是一个长尾的、效率要求没有那么高的一些需求。所以如果问 “什么情况必须要双腿”，可能答案是：没有任何单一的任务是需要双腿。

但是你要问，如果我想用一种形态解决 70% 以上的人们常见的任务，那必须是人形，必须带俩腿。再多一个腿也没什么用。

所以单一形态支持多个功能，这种是一定要人形的。那还有人说，我就要性价比。之前是技术不好实现，成本太高。现在反而出现了变量：人形腿的技术成熟了。走这件事儿，别看我们现在还遥控，以后都不是问题，成本也不是问题。成本不见得比轮子贵太多，尤其是它更通用的情况下。因为当它一旦规模化以后，成本效益可能比一个 “专机” 要更显著。

我们可以发现手机的摄像头，可能比买更贵的相机性价比都要高。为什么？因为它经历极致的通用化、规模化以后，可以极大地降低成本，所以反而会存在成本比轮子更便宜的情况。黄仁勋不也说，他只看中三个终端，一个是通用人形，一个是飞机，一个是汽车。只有绝对的规模化才能产生绝对的效益，人形是满足这样的一个形式的。

所以我们觉得它的整个底层逻辑，就是这个东西你别看它现在没啥用，比划两下，走两步。当它连接足够多 APP 的时候，会有一个 critical point（临界点），跨过这个点以后，我管这叫 “吸星大法”，所有东西就都可以在上面开发了。手机你单独用来打电话，那确实不需要智能手机，单收 email 也不需要。但很多功能累加以后，你会发现大家都在上面开发，它的成本也会逐渐地下降，这是我们对人形机器人未来价值的一个判断。

我们觉得它比较重要、有价值，那怎么做好它？

这就是技术层面的一些事情了。

首先第一个点，人形机器人的本体常好做。这是个反常识，人形机器人这个系统，现在因为创业初始阶段，稍微复杂一点，但它是极其好做的，比飞机、光刻机好做。那现在人形机器人怎么没有用起来？原因是 AI 能力不够，不是机器人难做，这就跟津剑讲的一样，本质上不是难造，本质上缺的是一个 AI。

这个 AI 有点特别，它跟大模型的 AI 不太一样，它是个物理 AI，它要连接物理系统、连接现实；同时，它跟其他的物理 AI 又不太一样，更垂直一些，是人形物理 AI，整个系统相对复杂。

那从理解上来讲也很简单，整个系统能干什么？就干一件事儿，就是要实时地实现计算指令。那他的输入是什么呢？人类给他的一个任务，“你去拿杯水，你去叠个衣服”。以前这种指令任务，需要离散化地去遥控，现在用语言，机器也可以理解，这个桥梁已经打通了。

输入指令以后，它要实时地观测到周围的环境，有视觉信息和力觉信息，然后要实时观测到本体的信息，基本上就没有其他的了。整个人形机器、具身智能系统，它就是这么一个 Block，它的输入和输出都非常清晰。你认为是 1000 万行代码，还是一个巨大的模型加上 100 万行代码，这个是有争论的。但是你可以想象，它就是一个 Block，所以人形其实是比较简单的，我看到的和我感受到的，然后要说出来我现在要做什么，就这么一个映射。

那现在是什么状态？现在已经有进步了，大家看到所有的机器人，包括我们的，也包括别人的，是长成什么样呢？

是长成这个样子：有一些基础运动的小模型，“你给我跳个舞，你给我走两步，你给我翻个跟头”，然后通过 VR 或者遥控器来切换这些小模型，那么现在整个物理系统是由谁来完成的？

是由人。

人工智能，智能不够靠人工。现在是人去告诉它先干什么，可以像换台似的，有限性地去做。如果只是这个使用形态，那我觉得它确实用处有限。

但这只是今天的发展程度。我们几年前看到的事情，今天已经看不到了；从现在看未来的三年，我觉得也绝对不止今天发展的这个样子。

人形本体不难做，目前已经收敛了。剩下是技术的收敛、工程化，接下来就是量产、成本，还有为谁来做人形，这是产品能力的体现了。另一个是运控，虽然从原来训练一个礼拜、两个月，现在压缩到训几天甚至几个小时就能完成，但本质上说，你只能事先编程完毕，它才能去做。我们认为，以后会有个运动的基础模型，就是全身运动控制的基础模型（whole-body motion control foundation model） ，你不需要太多的后训练，它只是一些语言或者是姿态的 Prompt，就能产生你想要的运动，这个是比较重要的，还有就是 VLA 大脑。现在做的事情，就要把遥控器和人这部分剔掉。

目前主要方式，还是收集数据，偏模仿学习。未来发展的方式，肯定是如何提升效率，如何提高可靠性和成功率。最终一定会有个基础的模型，加上专项技能的微调。

但这些只是模型，我们觉得还是缺失如何把这些算法的能力，组合成一个复杂系统的能力，我们叫 Agent OS 系统，这是我们接下来努力的方向。小脑的运控基础模型我们在做，以后对他的运控不需要事先编程，你告诉他，他就能做。大脑基础模型就是 VLA，然后会有很多小模型，跟已有的一些工具进行组合，完成每一个 APP，你不需要再重新发明个 GPS model，用原有的工具即可。

我觉得要想做好一个人形机器人，至少要有三类能力。

第一类是整机设计和量产制造的能力。除非你是纯做软件的，刚才高阳老师说，要软硬要结合，我觉得这个是更需要的，尤其小脑的部分跟硬件是紧密耦合的。那整机的设计、量产、成本这些，都是偏硬件本体的一类能力。

第二个就是要有算法创新的能力。算法创新不是说别人有个算法你去做，第一波人形之后的下一波可以抄作业、去垂直地拼商业运作能力，现在这个阶段还是属于大家共同努力。就像苏昊老师讲的，既要创新还要商业，就得提前做。所以说需要算法的创新能力，大小脑都得需要。我觉得还现在很少提到的，其实是需要 AI 操作系统的能力。最近几年，我们就专注地往这些方面去积累自己的能力，只能说现在是初见成效。

本体方面，我觉得这是看你的战略选择了。最关键的，有几个方面影响它的难度，第一个就是尺寸，国际上有个标准，1.5 米以上就是全尺寸，1 米以下是小尺寸。小尺寸可能偏娱乐、陪伴。稍微高点相对会难一点，之前是指数增加的难度，现在也好些了。还有一个是自由度，像很多机器人，如果只是比划的话，它不需要那么高的自由度。我们的本体有 31 个自由度，比特斯拉的机器人还多一个。只有到这个自由度，才能够让它更好地适应我们的环境。这两个要素共同决定整体的实现难度和复杂度。

另一个拼的，就像一兮生物的振云博士说的 “别人的售价卷不过你的成本” 这个还蛮重要的。以前我不太在乎，但现在我觉得太重要了，有成本控制能力是极度重要的一件事儿。我们现在的成本，是同行的 50% 左右，甚至更低。过去一年我们把成本降了 80%，自由度还提升了 10%，这是个要极致抠细节的事儿。没有成本控制能力，就基本上没用到中国最核心的能力，所以这也是我们比较重视的。

这是今年 7 月发的量产可售全尺寸全自由度机器人，双臂是七个自由度，关键部件我们自研，所以售价做到 158,000 起，就是马斯克说的 2 万美金，我们售价就是 2 万美金了，还有钱赚，这就是能力的体现了。

由于自由度比较高，所以用人类的数据去训练控制的方式，就变得比较简单了。以前可能是非常复杂的，现在就录一段数据，然后回流就可以了，这个跟构型是直接相关的。

刚才说的是本体方面。小脑方面，我们主要还是在这方面积累的比较多。我们关注的是不光是走，还是能全身地去操作，现在我们只能比划跳舞，以后还是要干活的。这事儿也是在做，只是现在还没到可以落地的一个阶段。不能靠天天 Coding 去实现，要靠数据驱动、甚至一个预训练数据，就能驱动大量的应用，这点是比较重要的。

现在我们做的这个动作已经比较丝滑，就是基础模型加上数据去做一些微调，然后它的动作会非常多。你可以想象以后，最好是给一句话，他就能完成所有的动作。

除了全身动作以外，肯定还是要能做一些其他的动作。

比如说这种是遥操，如果带上 VR 手柄会更好一点，是靠视觉的，他的腿是生成的动作，不是人指导的，他的手部是跟着人去做一些跟随。如果用了动捕服的话，就会更精准地去控制，可以代替人远程地去尝试一些危险的动作。这是小脑的基础能力，我们觉得是找到开关了，大家开始干就行了。

有一块是现在行业内比较少去讨论的，其实大小脑的连接。

我们 23 年底，大概一年多前，有个实时感知和大小脑打通的机器人上楼梯的视频。最近我们在这方面也投入了很多，就是让机器人看到台阶，用 TRON 系列去做基础的算法验证。所以它是有能力感知环境的反应，然后再去产生动作，而不是只是会瞎动，这种大小脑打通的逻辑是比较重要的。这个是楼梯的尺寸是不一样的，它也是能够感知到，希望到明年这个时候，大家都能直接地看到它更自主的能力。

现在大家对人形的诟病还是遥控器，其实我觉得大家对遥控器有过度反应，遥控器不是特别难去掉。剩下的就是大脑基础模型

这块儿，就是说你得感知环境、有泛化能力的基础模型，来去指导小脑的运动。

大家强调的数据金字塔、模仿学习，我还想补充几点。第一个就是，大模型还是处于预训练阶段（pre-training），要真正落地，还是需要 Post-training，需要在真机上再去做一步的，尤其是强化学习。

我觉得智能的本质是从数据来的，数据里的智能是从哪儿来的？人来的。人才是告诉你这个是猫，这是狗，这是以前标注过的。人在把智能传递给算法的过程中，有一些高效和低效的区别。低效是有样学样，偏模仿学习这种；另一种是强化学习，本质是智能的表达，并不是告诉它具体要这么干，它只是干完了我给你打个分儿，说这个没干好，具体怎么干你发挥。这个数据效率不一定高，但是产生数据的这个过程，人工干预是少了很多的。

我觉得最终落地，还是需要强化学习，这是我们在重点关注的方向。无论是预训练给个开始，强化学习给反馈让结果变得更好，我管它叫 "Divide and Conquer" 就是这个组合：把已有的工具和现有的这种数据驱动的模型结合起来，去完成更复杂的任务。

在模仿学习过程中，我们强调苏老师所说的仿真，也和高阳老师借鉴了很多知识，这三块都是我们觉得未来落地比较关键的。模仿学习里，预训练的过程中，怎么把数据的效率指数级地提升，这是一方面。另一方面，后训练的时候，强化学习如何能够做到机器人真机的强化学习。

今年年初，我们有同事拿了摄像机，让机器人干活。干了一段时间，我们就能通过 Prompt ，在特定的场景下、在不同的机器人身上，完成同样的任务。我们称之为 “Data Recipe（数据配方）”，我们不只 all in 真机、all in 仿真，而是有所有的技术栈，然后在不同的场景中落地，你需要哪一个，就可以相互补充这样的数据。

参考文章《逐际动力发布 LimX VGM 具身机器人操作算法》

我们觉得，未来落地最后一公里的比较关键的东西，还有一些技能组合方面，机器人可以简单地只学一些 接触丰富（Contact-Rich）的操作，然后就可以在没有见过的环境里完成任务。只用模仿学习，采了数据以后，就可以完成完全没见过场景、相对开放的情况下的一个计划，这也是比较重要。就像不需要用大模型再学一遍计算器、再学习一遍天气预报，只要把大模型擅长的东西，和我们已有的知识和工具结合起来，就能完成一些工作。

最后，还想分享一下我们怎么看待未来如何商业化。首先，你得看这个产业格局是什么样，找准自己的定位。

人形机器人这块一定是有核心零部件供应商的，电机、减速器、机械手这些都算，包括我们的关节，像因克斯就是很棒的供应商。还会有一些技术方案的供应商，他跟零部件不太一样，它可能提供 VLM 模型，可以提供数据、遥操的这些东西，甚至去训练某些落地的算法，这些是数据方案商。第三个，在人形里边也会有 OEM（代工厂），跟手机产业一样。第四个，我觉得是比较重要的，是人形整机品牌型的主机厂商。第五类，我觉得人形机器人是跟其他机器人不一样，专机是不会有 APP 生态，因为他干一件事儿就行了，人形机器人由于它是通用的，最终真正爆发要靠生态、要靠各种 APP 像吸星大法一样，都被这个本体所吸引，我觉得第五类就是应用开发者，有的开发者可能是比本体厂商还赚钱。最后还有一些销售和渠道的服务商。

那我觉得围绕着真正最赚钱的，目前看可能不一定是哪个，但是大家的中心还是围绕人形整机厂商为主，上游供应商是围绕他来演绎的，应用是在他基础上开发的。主要是这块的难度也大，你需要有刚才说的制造、设计、算法和 AI 系统，还有产品。要是仔细分的话，这么多能力模块，你都需要构建，这些构建过程还是要花很多时间的。

刚才也提到中美博弈，我觉得中国将以更快的速度主导这个市场，这个是毋庸置疑的。我们的定位是整机厂商，人形的整机厂商。我们的定位叫做 "Serve People, Not Process"。所以去年底我说了，我们是人形机器人不进工厂，他们说你这话说的太绝对了。我说那没有，现在带两条腿的没必要进工厂折腾。我们看到的未来，它是服务于人的，它必须跟人在一起，在这个环境里服务你，它不是服务于流水线或者工具、工程的。这不是它的、或者说不是我们的目的。这些技能在以前是不敢想象的，现在都是用数据驱动（Data-driven）的方式能够完成，但它的可靠性还要花一点时间去演绎。

我们感觉这个技术变量在不断地发生。像 Figure、Tesla 它是走的是大闭环，他现在是不卖的，直接奔着家庭场景去，就得等功能 APP 足够多了，他才去卖。而我们是阶段性商业化，沿途下蛋。一个小的整体我们也卖，第一个重要的 APP 出现，我们就开始去做迭代，这是我们的逻辑。当然你可以说他们那种是以终为始，我们这个也叫以终为始，但是这个终局是要想清楚的。同时我们比他们更开放一点，并不是说就自己玩儿，我们大部分 APP 巴不得所有人帮我们来开发，我们是提供一些底层能力。有些实在没有人推动的，我们自己再来提供。

类比于手机的话，本体的本质上是 iPhone，我们全身运控平台是 iOS，然后还有一些开发的工具，这样就可以像 XCode 支撑各个行业去落地。有些应用是我们自己必须把它做得非常好；有些应用是开发者在上面开发的，这是我们的目标。

我们现在这几个产品，按照沿途下蛋的逻辑，下半身拆出来可以卖，有它自己的 APP；上半身拆出来也可以卖，有自己的 APP；然后全身也有自己的演绎。下半身有一个 TRON 系列，这次没来，它的足端是三合一模块化设计的，是目前我们觉得最好的、最佳的人形入门的双足平台，能力还是蛮强的，也比较具拓展性。它再加上上臂，也能去做一些移动操作的研究。在全地形移动能力上，也逐渐地看到了一些 APP 起来的趋势。

双足是一种一定会存在的形态，但现在还没有被广泛推出来，所以我们会把它做到最好。这视频是在我们的本体上去做出的恐龙形态，是我们开发者自己弄的，很多园区可以做这样的事情。刚才一兮生物不是聊到了恐龙复活吗？我们希望复活以后，可以一起走。（笑）

人形的话，目前表演、导览这些东西还是有一定需求，但现在的场景还有限，主要是能力还不够。但大家不要以静止的眼光看它的未来，我们要以未来的眼光，再加点想象力。

为方便展示，该视频已 2 倍速

最近比较高兴的是，我们真正看到了下一个能干活的 APP 雏形了。

我们能把人形机器人的大小脑相对打通，这是一个全自主的，我们管它叫 Humanoid VLA 闭环的一些验证。这是没有任何遥控器，甚至没有定位导航，它纯是靠主动感知，去协调全身完成的。从地上捡东西、捡网球，可以想象它捡袜子、捡拖鞋、捡衣服，可以把 “Pick and Place” 变成 “Sweep”，这件事情本身就有一定的价值。本体和小脑能力可以叫 Harvest，就是可以把 VLA 领域的进展 “吸星大法” 到本体上，以后 VLA 进展越多，我们就越高兴。

平台和基础框架都有了，接下来就一个个 APP 的实现。希望 3.0 版本的时候，大家看到人形机器人，就已经司空见惯了。今天来演讲，可能下载一个 APP，他就能够帮我主持了。